CN110942089B - 一种基于多级决策的击键识别方法 - Google Patents

Abstract

本发明提供一种基于多级决策的击键识别方法，涉及人机交互技术领域。本发明步骤如下：步骤1：获取击键特征向量形成初始训练集和测试集；步骤2：采用SCM算法对测试集中的任一待分类样本进行击键识别，输出分类样本的类别；所述SCM算法由基于特征分布区间的阈值决策算法、基于中心距特征的距离决策算法以及基于加速度幅值特征的击键修正算法构成，基于特征分布区间的阈值决策算法和基于中心距特征的距离决策算法都是投票最高的类被认为是预测类，此外，修正决策算法选择加速度数据来进行基准键的单独识别。本方法不受缺失值的影响，具有较小的计算量，同时对计算资源和内存空间要求较少，具有较强的可解释性和易实现性。

Description

一种基于多级决策的击键识别方法

技术领域

本发明涉及人机交互技术领域，尤其涉及一种基于多级决策的击键识别方法。

背景技术

在以往的研究过程中，我们提出了一种基于智能指环的虚拟输入方法及系统。该虚拟键盘基于一个智能指环，用户只需佩戴在手指上进行打字动作，即可在设备端进行字母的显示。在这些研究中，我们采用传统的机器学习方法进行击键动作的识别。但是，这些算法通常需要更多的计算资源，不能很好地在有限的资源环境中运行。它通常只能提供有限的计算能力和内存空间，不能很好地满足实时性和一些最基本的运行条件。

传统的机器学习算法，比如支持向量机，决策树，朴素贝叶斯等，这些模型往往需要复杂的参数调节和寻优过程，这使得这些算法在原有较高的计算复杂度情况下更加复杂。在模型构建过程中，比如支持向量机，对大规模训练数据很难实施，求解支持向量时函数的二次规划的求解会耗费大量的内存空间和运算时间；决策树虽然计算量相对较小，但容易产生巨大的决策树分支，导致过拟合；决策树的预测结果可能是不稳定的，而且数据的一个微小变化就可能导致生成一个完全不同的树，而且对于各类别样本数量不一致的数据，信息增益的结果更偏向于那些具有更多数值的特征，导致创建一个有偏异的树。朴素贝叶斯分类是另外一个常见的机器学习算法，由于它通过先验和数据来决定后验的概率进行预测，导致分类决策存在一定的错误率，而且在属性个数比较多或者属性之间相关性较大时，分类效果不很理想。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于多级决策的击键识别方法，实现对虚拟键盘的击键识别；本方法不受缺失值的影响，具有较小的计算量，同时对计算资源和内存空间要求较少，具有较强的可解释性和易实现性。

为解决上述技术问题，本发明所采取的技术方案是：

本发明提供一种基于多级决策的击键识别方法，包括以下步骤：

步骤1：获取击键特征向量，形成初始样本集合，初始样本集合中每个击键特征向量都包括α个特征；将初始样本集合分为初始训练集和测试集；所述初始训练集中必须包括所有类别等数量的击键特征向量，且每个击键特征向量都带有正确类别标签；

步骤2：采用SCM算法对测试集中的任一待分类样本进行击键识别，输出分类样本的类别；具体步骤如下：

步骤2.1：采用基于特征分布区间的阈值决策算法对测试集中的任一待分类样本进行初始分类，得到该样本的类别；

步骤2.1.1：基于3σ准则对初始训练集中的样本进行去噪，剔除异常点得到训练集，

步骤2.1.2：根据步骤2.1.1中得到的训练集，设定训练集内每个类别中各个特征的初始阈值，所述初始阈值包括初始上阈值和初始下阈值；

类别为η的击键特征向量中第α个特征的初始上阈值和初始下阈值确定方法为：

获取训练集中所有类别为η的击键特征向量，并提取其中的第α个特征值，得到所有特征值中的上限分布端点和下限分布端点，将上限分布端点作为初始上阈值，下限分布端点作为初始下阈值；

步骤2.1.3：添加松弛变量ξ，对步骤2.1.2中得到的所有初始阈值进行比例缩减处理，使得初始阈值变为阈值/>其中/>代表类别为η的击键特征向量中第α个特征的初始下阈值，/>代表类别为η的击键特征向量中第α个特征的初始上阈值；上阈值/>和下阈值/>构成类别为η的击键特征向量中第α个特征的第一特征模型，得到每个类别中各个特征的阈值，所有特征的第一特征模型形成第一特征模型集合；

步骤2.1.4：获取测试集内任一待分类样本λ，根据第一特征模型集合对其进行投票处理，得到与待分类样本相对应的训练集中各个类别的投票总数，将投票总数最大的类别判定为该样本的类别；

步骤2.2：判断步骤2.1中得到的待分类样本的类别是否为单一类别，若是，则执行步骤2.4，若否，则执行步骤2.3；

步骤2.3：获取步骤2.1中输出的所有类别形成初始分类集合ω＝{θ₁、θ₂、…、θ_μ}，其中θ_μ代表初始分类集合中第μ个类别，基于中心距特征的距离决策算法对待分类样本λ进行二次分类判别，输出待分类样本的类别；

步骤2.3.1：在训练集中提取出与初始分类集合中相对应的类别，对每种类别的每一个特征都进行中心值选取，将选取的中心值作为该类别中该特征的第二特征属性模型，得到由μ个类别构成的第二特征属性模型集合；中心值选取方法为：将训练集中所有与θ_μ相同类别的击键特征向量提取出来，选取所有击键特征向量中的第α个特征进行中位数选取，将该中位数最为该类别第α个特征的中心值；

步骤2.3.2：获取待分类样本中的特征值集合分别计算特征值集合中每一个特征值和第二特征属性模型集合中与其相对应的特征值之间的中心距，所述中心距采用欧式距离方法获得；

步骤2.3.3：将初始分类集合中每个类别第α个特征的中心距值进行比较，将距离最短的该特征作为最佳投票结果，并记1票，分别将初始分类集合内所有特征都进行比较后，得出每个类别的总票数集合其中π′_μ代表第μ个类别的得票总数，将得票总数最大的类别作为待分类样本的类别；

步骤2.4：判断输出的类别是否为基准键，若是，则执行步骤2.5，若否，则将该类别作为待分类样本的类别；

步骤2.5：采用基于加速度幅值特征的击键修正算法对待分类样本λ进行识别，输出待分类样本的类别；具体包括以下步骤：

步骤2.5.1：根据击键规则，获取在击键过程中的加速度幅值特征集合Ω＝{τ₁、τ₂、…、τ_υ}，其中τ_υ代表第υ个智能指环的加速度特征值，所述加速度幅值特征集合根据击键者佩戴的传感器获取；加速度幅值特征获取方法为将加速度数据的测量值与初始值作差，再作模值运算，并将击键过程内的最大值作为所述加速度的特征值；

步骤2.5.2：对加速度幅值特征集合内的数据进行比较，最大加速度特征所对应的传感器即认定为击键手指所佩戴的传感器，由此确定击键手指；根据击键规则得出待分类样本λ的最终类别。

所述步骤2.1.4的具体步骤如下：

步骤2.1.4.1：提取待分类样本λ中的特征值集合将特征值/>分别与第一特征模型集合中所有类别的第/>个特征的第一特征模型进行分类判断，判断是否满足/>其中ε＝{1、2、…、η}，若满足，则在该类别的第/>个特征的第一特征模型上记一票；重复本步骤，直至将所有类别的第/>个特征都与特征值/>进行判断；

步骤2.1.4.2：令重复步骤2.1.4.1，直至将待分类样本中的所有特征值完成分类判断；

步骤2.1.4.3：将同一类别中所有特征的第一特征模型得到的票数进行累加，得到特征票数集合其中π_η代表类别为η的得票总数；将特征票数集合中票数最大的类别判定为该样本的类别。

所述击键规则为：打字需按照标准打字法进行击键操作，即初始时刻手指位置应放置在基准键上，同时对每个按键按照进行预分配。

采用上述技术方案所产生的有益效果在于：本发明提供的一种基于多级决策的击键识别方法，所提供的SCM算法具有较高的准确率和运算速度，不需要进行标准化处理，而且不受缺失值的影响，具有较小的计算量，同时对计算资源和内存空间要求较少，具有较强的可解释性和易实现性。其中，前两级决策算法可广泛应用其他模式识别环境中去。特别地，该算法可以运行在比较苛刻的环境中去，比如单片机等内存和计算资源有限的环境，和动作识别等对实时性要求较高的特定环境，同时该可提供较高的准确率，具有良好的应用前景。

附图说明

图1为本发明实施例提供的方法流程图；

图2为本发明实施例提供的基于特征分布区间的阈值决策算法进行初始分类的方法流程图；

图3为本发明实施例提供的基于中心距特征的距离决策算法进行二次分类的方法流程图；

图4为本发明实施例提供的SCM算法与其他算法的准确率比较图；

图5为本发明实施例提供的综合性能比较图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

如图1所示，本实施例的方法如下所述。

本发明提供一种基于多级决策的击键识别方法，包括以下步骤：

步骤1：获取击键特征向量，形成初始样本集合，初始样本集合中每个击键特征向量都包括α个特征；将初始样本集合分为初始训练集和测试集；所述初始训练集中必须包括所有类别等数量的击键特征向量，且每个击键特征向量都带有正确类别标签；

所述击键特征向量中包括6个特征值，如表1所示，

表1提取的(浅层)击键特征向量特征描述

步骤2：采用SCM算法对测试集中的任一待分类样本进行击键识别，输出分类样本的类别；所述SCM算法由基于特征分布区间的阈值决策算法、基于中心距特征的距离决策算法以及基于加速度幅值特征的击键修正算法构成，以两种主要按键识别算法为主，一种修正决策规则为辅，基于特征分布区间的阈值决策算法用于首次分类，基于中心距特征的距离决策算法用于二次分类，在这两种算法中，投票最高的类被认为是预测类，此外，修正决策算法选择加速度数据来进行基准键的单独识别。

步骤2.1：采用基于特征分布区间的阈值决策算法对测试集中的任一待分类样本进行初始分类，得到该样本的类别；如图2所示；

步骤2.1.1：基于3σ准则对初始训练集中的样本进行去噪，剔除异常点等离群值，得到训练集，以期防止此类异常点对特征区间构建的剧烈影响，避免过拟合现象发生，从而便于使获取的模型更接近于原始分类特征的真实概率分布；

步骤2.1.2：对待测特征向量每个特征进行单独考虑，根据步骤2.1.1中得到的训练集，设定训练集内每个类别中各个特征的初始阈值，所述初始阈值包括初始上阈值和初始下阈值，

类别为η的击键特征向量中第α个特征的初始上阈值和初始下阈值确定方法为：

获取训练集中所有类别为η的击键特征向量，并提取其中的第α个特征值，得到所有特征值中的上限分布端点和下限分布端点，将上限分布端点作为初始上阈值，下限分布端点作为初始下阈值；

步骤2.1.3：添加松弛变量ξ，在本次实验中ξ＝0.014，对步骤2.1.2中得到的所有初始阈值进行比例缩减处理，使得初始阈值最终该特征的分布区间端点，即变为阈值/>其中/>代表类别为η的击键特征向量中第α个特征的初始下阈值，/>代表类别为η的击键特征向量中第α个特征的初始上阈值，从而使其更好地体现原始特征的概率分布，提高模型的鲁棒性，一定程度上避免过拟合；上阈值/>和下阈值/>构成类别为η的击键特征向量中第α个特征的第一特征模型，得到每个类别中各个特征的阈值，所有特征的第一特征模型形成第一特征模型集合；

步骤2.1.4：获取测试集内任一待分类样本λ，根据第一特征模型集合对其进行投票处理，得到与待分类样本相对应的各个类别的投票总数，将投票总数最大的类别判定为该样本的类别；具体步骤如下：

步骤2.1.4.1：提取待分类样本λ中的特征值集合将特征值/>分别与第一特征模型集合中所有类别的第/>个特征的第一特征模型进行分类判断，判断是否满足/>其中ε＝{1、2、…、η}，若满足，则在该类别的第/>个特征的第一特征模型上记1票；其中，各个特征之间的投票互不干扰，各个类别之间的投票也互不干扰；重复本步骤，直至将所有类别的第/>个特征都与特征值/>进行判断；

步骤2.1.4.2：令重复步骤2.1.4.1，直至将待分类样本中的所有特征值完成分类判断；

步骤2.1.4.3：将同一类别中所有特征的第一特征模型得到的票数进行累加，得到特征票数集合其中π_η代表类别为η的得票总数；将特征票数集合中票数最大的类别判定为该样本的类别；

步骤2.2：判断步骤2.1中得到的待分类样本的类别是否为单一类别，若是，则执行步骤2.4，若否，则执行步骤2.3；

步骤2.3：获取步骤2.1中输出的所有类别形成初始分类集合ω＝{θ₁、θ₂、…、θ_μ}，其中θ_μ代表初始分类集合中第μ个类别，基于中心距特征的距离决策算法对待分类样本λ进行二次分类判别，输出待分类样本的类别；如图3所示；

步骤2.3.1：在训练集中提取出与初始分类集合中相对应的类别，即提取出与初始分类集合内类别相同的类别，对每种类别的每一个特征都进行中心值选取，将选取的中心值作为该类别中该特征的第二特征属性模型，得到由μ个类别构成的第二特征属性模型集合；中心值选取方法为：将训练集中所有与θ_μ相同类别的击键特征向量提取出来，选取所有击键特征向量中的第α个特征进行中位数选取，将该中位数最为该类别第α个特征的中心值；为了更好地反映数据的概率分布情况，避免过高点和过低点的强影响，如果取中心值，常见的是采用均值，但在本发明中，为了规避强影响点的影响，我们采用中值即中位数；

步骤2.3.2：获取待分类样本中的特征值集合分别计算特征值集合中每一个特征值与第二特征属性模型集合中与其相对应的特征值之间的中心距，即分别计算特征值a_α与第二特征属性模型集合中所有类别的第α个特征值的中心距，所述中心距采用欧式距离方法获得；此时所有特征都得到中心距；

步骤2.3.3：将初始分类集合中每个类别中同一特征的中心距值进行比较，将距离最短的该特征作为最佳投票结果，并记1票，该投票过程中考虑各个类别之间的距离关系，但各个特征之间投票互不干扰；分别将初始分类集合内所有特征都进行比较后，得出每个类别的总票数集合其中π′_μ代表第μ个类别的得票总数，将得票总数最大的类别作为待分类样本的类别；

步骤2.4：判断输出的类别是否为基准键，若是，则执行步骤2.5，若否，则将该类别作为待分类样本的类别；

步骤2.5：采用基于加速度幅值特征的击键修正算法对待分类样本λ进行识别，输出待分类样本的类别；该算法反映基准键击键时加速度特征的变化特性，具体包括以下步骤：

步骤2.5.1：根据击键规则，获取在击键过程中的加速度幅值特征集合Ω＝{τ₁、τ₂、…、τ_υ}，其中τ_υ代表第υ个智能指环的加速度特征值，所述加速度幅值特征集合根据击键者佩戴的传感器获取；加速度幅值特征获取方法为将加速度数据的测量值与初始值作差，再作模值运算，并将击键过程内的最大值作为所述加速度的特征值；

步骤2.5.2：对加速度幅值特征集合内的数据进行比较，最大加速度特征所对应的传感器即可认定为击键手指所佩戴的传感器，由此可确定击键手指；根据击键规则得出待分类样本λ的最终类别。

所述击键规则为：打字需按照标准打字法进行击键操作，即初始时刻手指位置应放置在基准键上，同时对每个按键按照进行预分配。

所述标准打字法如表1所示：

表1标准打字法

	小指	无名指	中指	食指
					左手	Q A Z	W S X	E D C	R F V T G B
右手	P；/	O L.	I K,	Y H N U J M

在SCM算法中，一级决策(基于特征分布区间的阈值决策算法)可解决绝大多少击键的分类问题，二级决策(基于中心距特征的距离决策算法)用于等票数最高票量的二次决策，解决剩余击键的识别任务，三级决策(基于加速度幅值特征的击键修正算法)用于最后的击键识别结果的修正，主要应用于基准键的修正任务；其中，前两级决策算法可自成一体，作为单独的模式识别算法使用；第三级决策算法仅适用于击键识别过程这一特定环境。其中，前两级决策规则依赖于击键的姿态角特征，具体包括偏航角，俯仰角和滚转角；最后一级修正算法依赖于加速度的幅值特征，仅适用于基准键的识别纠正。

在击键识别中，本算法并未考虑特征之间的相互依赖关系。可选的，在运行算法之前可以预先确定各个特征分配权重，根据各自的投票结果，乘以各自的特征权重后再进行比较，从而得到最终预测结果。

效果：根据所设计的SCM算法，我们分别对3位受测者(A,B,C)进行实验。准确率结果评价如图4所示。综合评价结果(包含运行速度和算法平均识别率)如图5所示。其中KNN表示最近邻算法，CART表示决策树算法，SVM表示支持向量机算法，LDA表示Fisher判别分析法。可以得出结论，SCM算法可以得到和其他机器学习算法等同甚至超过其他算法的准确率，此外，它的运行速度却远超于其他机器识别算法，可有效减轻处理器的负担。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (2)

1.一种基于多级决策的击键识别方法，其特征在于：包括以下步骤：

步骤1：获取击键特征向量，形成初始样本集合，初始样本集合中每个击键特征向量都包括α个特征；将初始样本集合分为初始训练集和测试集；所述初始训练集中必须包括所有类别等数量的击键特征向量，且每个击键特征向量都带有正确类别标签；

步骤2：采用SCM算法对测试集中的任一待分类样本进行击键识别，输出分类样本的类别；具体步骤如下：

步骤2.1：采用基于特征分布区间的阈值决策算法对测试集中的任一待分类样本进行初始分类，得到该样本的类别；

步骤2.1.1：基于3σ准则对初始训练集中的样本进行去噪，剔除异常点得到训练集，

步骤2.1.2：根据步骤2.1.1中得到的训练集，设定训练集内每个类别中各个特征的初始阈值，所述初始阈值包括初始上阈值和初始下阈值；

类别为η的击键特征向量中第α个特征的初始上阈值和初始下阈值确定方法为：

获取训练集中所有类别为η的击键特征向量，并提取其中的第α个特征值，得到所有特征值中的上限分布端点和下限分布端点，将上限分布端点作为初始上阈值，下限分布端点作为初始下阈值；

步骤2.1.3：添加松弛变量ξ，对步骤2.1.2中得到的所有初始阈值进行比例缩减处理，使得初始阈值变为阈值/>其中/>代表类别为η的击键特征向量中第α个特征的初始下阈值，/>代表类别为η的击键特征向量中第α个特征的初始上阈值；上阈值/>和下阈值/>构成类别为η的击键特征向量中第α个特征的第一特征模型，得到每个类别中各个特征的阈值，所有特征的第一特征模型形成第一特征模型集合；

步骤2.1.4：获取测试集内任一待分类样本λ，根据第一特征模型集合对其进行投票处理，得到与待分类样本相对应的训练集中各个类别的投票总数，将投票总数最大的类别判定为该样本的类别；

步骤2.2：判断步骤2.1中得到的待分类样本的类别是否为单一类别，若是，则执行步骤2.4，若否，则执行步骤2.3；

步骤2.3：获取步骤2.1中输出的所有类别形成初始分类集合ω＝{θ₁、θ₂、…、θ_μ}，其中θ_μ代表初始分类集合中第μ个类别，基于中心距特征的距离决策算法对待分类样本λ进行二次分类判别，输出待分类样本的类别；

步骤2.3.1：在训练集中提取出与初始分类集合中相对应的类别，对每种类别的每一个特征都进行中心值选取，将选取的中心值作为该类别中该特征的第二特征属性模型，得到由μ个类别构成的第二特征属性模型集合；中心值选取方法为：将训练集中所有与θ_μ相同类别的击键特征向量提取出来，选取所有击键特征向量中的第α个特征进行中位数选取，将该中位数最为该类别第α个特征的中心值；

步骤2.3.2：获取待分类样本中的特征值集合分别计算特征值集合中每一个特征值和第二特征属性模型集合中与其相对应的特征值之间的中心距，所述中心距采用欧式距离方法获得；

步骤2.3.3：将初始分类集合中每个类别第α个特征的中心距值进行比较，将距离最短的该特征作为最佳投票结果，并记1票，分别将初始分类集合内所有特征都进行比较后，得出每个类别的总票数集合其中π′_μ代表第μ个类别的得票总数，将得票总数最大的类别作为待分类样本的类别；

步骤2.4：判断输出的类别是否为基准键，若是，则执行步骤2.5，若否，则将该类别作为待分类样本的类别；

步骤2.5：采用基于加速度幅值特征的击键修正算法对待分类样本λ进行识别，输出待分类样本的类别；具体包括以下步骤：

步骤2.5.1：根据击键规则，获取在击键过程中的加速度幅值特征集合Ω＝{τ₁、τ₂、…、τ_υ}，其中τ_υ代表第υ个智能指环的加速度特征值，所述加速度幅值特征集合根据击键者佩戴的传感器获取；加速度幅值特征获取方法为将加速度数据的测量值与初始值作差，再作模值运算，并将击键过程内的最大值作为所述加速度的特征值；

步骤2.5.2：对加速度幅值特征集合内的数据进行比较，最大加速度特征所对应的传感器即认定为击键手指所佩戴的传感器，由此确定击键手指；根据击键规则得出待分类样本λ的最终类别；

所述击键规则为：打字需按照标准打字法进行击键操作，即初始时刻手指位置应放置在基准键上，同时对每个按键按照如下方式进行预分配，具体分配对应关系如下：

左手：小指对应A、Q、Z；无名指对应W、S、X；中指对应E、D、C；食指对应R、F、V、T、G、B；

右手：小指对应P；无名指对应O、L；中指对应I、K；食指对应Y、H、N、U、J、M。

2.根据权利要求1所述的一种基于多级决策的击键识别方法，其特征在于：所述步骤2.1.4的具体步骤如下：

步骤2.1.4.1：提取待分类样本λ中的特征值集合将特征值分别与第一特征模型集合中所有类别的第/>个特征的第一特征模型进行分类判断，判断是否满足/>其中ε＝{1、2、…、η}，若满足，则在该类别的第/>个特征的第一特征模型上记一票；重复本步骤，直至将所有类别的第/>个特征都与特征值/>进行判断；

步骤2.1.4.2：令重复步骤2.1.4.1，直至将待分类样本中的所有特征值完成分类判断；

步骤2.1.4.3：将同一类别中所有特征的第一特征模型得到的票数进行累加，得到特征票数集合其中π_η代表类别为η的得票总数；将特征票数集合中票数最大的类别判定为该样本的类别。